Maschinelles Lernen: Symbolische Ansätze - WS 08/09

Einführung in maschinelles Lernen und Data Mining mit Schwerpunkt auf Lernen in logisch/symbolischen Repräsentationssprachen.

Prof. Dr. J. Fürnkranz

Die Veranstaltung im Vorlesungsverzeichnis.


Tag Zeit Raum Start
Vorlesung Donnerstag 09:50-11:30 S202/C110 16.10.
Übung Dienstag 09:50-11:30 S202/C110 21.10.

Ankündigungen

Die Ergebnisse der Klausur hängen nun an der KE-Pinwand aus.

Die Klausureinsicht findet am Di, 10.3.09 von 10 - 12 Uhr in Raum E302 statt.

Klausur

Klausurtermin
16.2.09 von 15-18 Uhr (90 Minuten), Raum S202/C205
Erlaubte Unterlagen:
Sie dürfen ein von Ihnen selbst doppelseitig handbeschriebenes Din A4-Blatt zur Klausur mitbringen. Alle anderen Unterlagen, insbesondere Elektronische Hilfsmittel (Taschenrechner, Handy, elektronisches Wörterbuch, etc.) sind nicht erlaubt.
Alte Klausuren:

Inhalt

Durch die Entwicklung der Informationstechnologie sind immer größere Datenmengen verfügbar. Diese enthalten oft implizites Wissen, das, wenn es bekannt wäre, große wirtschaftliche oder wissenschaftliche Bedeutung hätte. Data Mining ist ein Forschungsgebiet, das sich mit der Suche nach potentiell nützlichem Wissen in großen Datenmengen beschäftigt, und Maschinelles Lernverfahren gehören zu den Schlüsseltechnologien innerhalb dieses Gebiets.

Die Vorlesung bietet eine Einführung in das Gebiet des Maschinellen Lernens unter dem besonderen Aspekt des Data Minings. Es werden Verfahren aus verschiedenen Paradigmen des Maschinellen Lernens mit exemplarischen Anwendungen vorgestellt. Um das Wissen zu operationalisieren, werden in den Übungen praktische Erfahrungen mit Lernalgorithmen gesammelt.

Übungen

In den Übungen erhalten Sie Aufgaben über den Vorlesungsstoff, oft alte Klausur-Aufgaben, die Sie selbst lösen sollen, und die dann in der folgenden Übungsstunde durchbesprochen werden.

  1. Übung, 28. 10. 08: Klassifikationsprobleme (Musterlösung)
  2. Übung, 04. 11. 08: Hypothesenraum, Generalisierung (Musterlösung)
  3. Übung, 11. 11. 08: Version Spaces (Musterlösung)
  4. Übung, 18. 11. 08: Regellernen (Musterlösung)
  5. Übung, 25. 11. 08: Regellernen 2 (Musterlösung)
  6. Übung, 04. 12. 08: Evaluation (Musterlösung)
  7. Übung, 16. 12. 08: Evaluation 2 (Musterlösung)
  8. Übung, 13. 01. 09: Bäume (Musterlösung - Update 2)
  9. Übung, 20. 01. 09: Regressionsbäume (Update) (Musterlösung - Update)
  10. Übung, 27. 01. 09: Ensemble-Methoden (Musterlösung - Update 2)
  11. Übung, 03. 02. 09: Assoziationsregeln (Musterlösung)
  12. Übung, 12. 02. 09: Pre-Processing (Musterlösung)

Projekt

Das Projekt wird dieses Mal in einzelne Aufgaben aufgeteilt. Durch eine erfolgreiche Bearbeitung der Aufgaben bekommt man Klausurpunkte angerechnet, sofern die Klausur bestanden ist. Die genaue Aufteilung der Punkte wird im Laufe des Projektes bekannt gegeben. Maximal kann man sich nun um eine Note (3 Notenstufen) verbessern. Gegebenenfalls orientiert sich die Maximalpunktzahl pro Aufgabe an dem Umfang der Aufgabe.

Ablauf

Die Projektaufgaben werden immer Dienstags ausgegeben, sofern es zu der aktuellen Vorlesung eine Projektaufgabe gibt. Diese soll dann in Gruppen von bis zu 3 Personen bis zum nächsten Montag bearbeitet werden. Die Aufgaben sollen als Präsentation eingereicht werden, da jede Gruppe im Laufe der Veranstaltung ihre Lösung mit Hilfe des Beamers präsentieren sollte. Die Aufgaben sollten bis spätestens Montag Abend per eMail unter dieser Mailadresse

eingereicht werden. Es sollte auf den abgegebenen Lösungen erkenntlich sein, welche Personen an dieser Abgabe beteiligt waren.

Die Aufgaben sollen mit Hilfe der Data Mining Software Weka bearbeitet werden.

Mailingliste

Auf die Mailingliste, über die neue Übungen und Projektaufgaben angekündigt werden, kann man sich hier eintragen.

Aufgaben

 

Forum

Das Diskussionsforum zur Lehrveranstaltung finden Sie hier.

Literatur

Die folgenden beiden Lehrbücher behandeln einen Großteil des Stoffes:

Während die Lehrbücher den Stoff im Großen und Ganzen behandeln, und in vielen Punkten auch noch tiefer gehen, werden in der Vorlesung zum Teil andere Schwerpunkte gesetzt. Als ergänzende Literatur empfehlen wir im Wesentlichen die folgenden Arbeiten (bitte auf Updates achten):

Papers zu vielen Themen finden Sie oft auch mit CiteSeer, DER Suchmaschine für wissenschaftliche Texte der Informatik

Machine-Learning-Werkzeuge

Beispiel-Datensätze

Data Mining-Wettbewerbe

Kontakt

small ke-icon

Knowledge Engineering Group

Fachbereich Informatik
TU Darmstadt

S2|02 D203
Hochschulstrasse 10

D-64289 Darmstadt

Sekretariat:
Telefon-Symbol+49 6151 16-21811
Fax-Symbol +49 6151 16-21812
E-Mail-Symbol info@ke.tu-darmstadt.de

 
A A A | Drucken | Impressum | Sitemap | Suche | Mobile Version
zum Seitenanfangzum Seitenanfang